A Landscape-Clustering Zoning Strategy to Map Multi-Crops in Fragmented Cropland Regions Using Sentinel-2 and Sentinel-1 Imagery with Feature Selection
Notice bibliographique
Résumé
Crop mapping using remote sensing is a reliable and efficient approach to obtaining timely and accurate crop information. Previous studies predominantly focused on large-scale regions characterized by simple cropping structures. However, in complex agricultural regions, such as China’s Huang-Huai-Hai region, the high crop diversity and fragmented cropland in localized areas present significant challenges for accurate crop mapping. To address these challenges, this study introduces a landscape-clustering zoning strategy utilizing multi-temporal Sentinel-1 and Sentinel-2 imagery. First, crop heterogeneity zones (CHZs) are delineated using landscape metrics that capture crop diversity and cropland fragmentation. Subsequently, four types of features (spectral, phenological, textural and radar features) are combined in various configurations to create different classification schemes. These schemes are then optimized for each CHZ using a random forest classifier. The results demonstrate that the landscape-clustering zoning strategy achieves an overall accuracy of 93.52% and a kappa coefficient of 92.67%, outperforming the no-zoning method by 2.9% and 3.82%, respectively. Furthermore, the crop mapping results from this strategy closely align with agricultural statistics at the county level, with an R2 value of 0.9006. In comparison with other traditional zoning strategies, such as topographic zoning and administrative unit zoning, the proposed strategy proves to be superior. These findings suggest that the landscape-clustering zoning strategy offers a robust reference method for crop mapping in complex agricultural landscapes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».